Skip to content
Članak Every okt 2026.

Every: kontekstualno inženjerstvo je znati kada početi iznova

Mike Taylor, šef evaluacija u Every-ju, objavio je ovaj tekst u oktobru 2026. kao praktičan okvir za razumevanje zašto AI asistencija u pisanju opada tokom dugog chat treda — i šta se s tim može učiniti.

Osnovno zapažanje je da problem nije u modelu, nego u akumulaciji konteksta. Taylor ovaj obrazac naziva „trulenjem konteksta” i opisuje sedam načina na koje se manifestuje.

Distrakcija konteksta: raniji primeri i instrukcije ograničavaju nove odgovore. Model nastavlja da prati stare obrasce čak i kad ste prešli na nešto drugo.

Konfuzija konteksta: nerelevantni detalji koji su se pojavili ranije u razgovoru iskrsavaju u nesrodnim odgovorima. Ako je model video okvir iz prethodnog dokumenta, može početi da ga primenjuje tamo gde ne pripada.

Zanemarivanje konteksta: modeli najviše pažnje poklanjaju početku i kraju svog unosa. Važni detalji zakopani u sredini dobijaju manju težinu. Praktično rešenje je staviti ključnu instrukciju ili ograničenje na vrh poruke, a ne u zagradu usred teksta.

Drift konteksta: tokom dugog razgovora model zaboravlja stalne preferencije — pravopisne konvencije, ograničenja broja reči, napomene o tonu. Potrebno ih je ponovo navesti u svakoj novoj sesiji umesto pretpostavljanja da će ostati.

Clash konteksta: modeli se vezuju za rane pretpostavke. Ako se brifing promeni usred treda, ranije uokvirivanje ostaje aktivno. Počinjanje s kompletnim brifingom u prvoj poruci pouzdanije je od postepenog izgrađivanja.

Trovanje konteksta: rane greške, uključujući one koje ste ispravili, nastavljaju da iskrsavaju. Editovanje originalne poruke efikasnije je nego prepirka s modelom dalje u tredu.

Nedodatno specificiranje konteksta: kada detalji nedostaju, model se vraća na generičke odgovore. Pre napuštanja dugog treda, Taylor preporučuje pitati koja bi informacija poboljšala odgovore — a zatim koristiti taj uvid za pisanje boljeg brifinga za narednu sesiju.

Preporučena praksa je da se počinje s novim tredom za svaki poseban zadatak pisanja, umesto nastavljanja jednog razgovora beskonačno. Ovo nije pitanje dostizanja tvrdog ograničenja konteksta. Reč je o prepoznavanju da stari kontekst aktivno vuče odgovore u pogrešnom pravcu, čak i kad je prozor tehnički dovoljno velik da sve drži.

Praktična infrastruktura koju Taylor opisuje — Markdown fajlovi koji čuvaju višekratno upotrebljiv kontekst poput stilskih napomena ili strukturalnih šablona, učitavani na početku svake nove sesije — jednostavna je za postavljanje i direktno primenjiva za svakoga ko redovno piše uz AI alate.

Tekst je najkorisniji za pisce koji su već prešli inicijalnu fazu eksperimentisanja s AI-jem i pokušavaju da razumeju zašto rezultati ponekad padaju ili deluju manje precizno nego što se očekivalo.